(AGENPARL) – Mon 27 October 2025 Accademia di Medicina di Torino
Premio
“I Dottorati per la Ricerca di oggi e per la Medicina di domani”
Anno 2025
Schede premiati
Martina AmongeroTitoli di studio
Maturità Scientifica conseguita nell’anno 2014.
Laurea Triennale in Matematica per l’Ingegneria conseguita presso il Politecnico di Torino nell’anno 2017, con una tesi su stime di smoothing per l’equazione lineare di Schrödinger (Supervisor: Prof.ssa Maria Vallarino).
Laurea Specialistica in Ingegneria Matematica conseguita presso il Politecnico di Torino nell’anno 2019, con una tesi su inferenza per modelli ad effetti misti descritti da equazioni differenziali stocastiche (Supervisor: Prof. Enrico Bibbona).
Dottorato di ricerca in Matematica Pura ed Applicata, conseguito presso l’Università di Torino, nel 2024 (Supervisor: Prof. Mauro Gasparini).
Titolo della tesi di Dottorato
Statistical methods for longitudinal medical data with applications
(Metodi statistici per dati longitudinali e loro applicazioni)
Riassunto divulgativo della tesi
L’analisi dei dati longitudinali, cioè le misurazioni raccolte più volte nel tempo sulla stessa persona, è una sfida importante in biostatistica. Questi dati sono preziosi perché permettono di capire meglio come si evolvono le condizioni cliniche e di cogliere con più precisione i legami di causa ed effetto. Lavorare con questi dati comporta però una serie di difficoltà dovute al fatto che spesso sono incompleti e alla necessità di usare modelli statistici sofisticati per interpretarli correttamente. La tesi affronta queste problematiche attraverso tre casi studio reali.
Il primo caso riguarda la pandemia di COVID-19 in Italia, e introduce il modello compartimentale SIPRO, un’estensione dei tradizionali modelli epidemiologici. Il modello tiene conto delle diverse caratteristiche della diffusione del virus, e grazie all’inclusione della popolazione asintomatica permette di descrivere e prevedere con maggiore precisione l’andamento del contagio, migliorando la comprensione delle dinamiche pandemiche e fornendo uno strumento utile per analizzare e supportare le decisioni di contenimento della malattia.
Il secondo caso propone un modello congiunto per stimare come si evolvono i biomarcatori del carcinoma prostatico nel tempo, e ottimizzare quando effettuare esami diagnostici successivamente a una recidiva post-chirurgica, migliorando così la gestione clinica e la tempestività delle cure.
Il terzo caso riguarda la stima dell’efficacia vaccinale su dati reali, che soffrono di un tipo di incompletezza detta “censura informativa” quando più eventi negativi si susseguono nello stesso soggetto. Un metodo preesistente è stato adattato per gestire questa situazione, superare il problema dei dati parziali e ottenere risultati più affidabili.
Questi studi dimostrano che modelli più complessi, se ben calibrati, forniscono stime più accurate, ma richiedono attenzione a problemi di identificabilità e instabilità numerica.
Le metodologie proposte possono contribuire a una medicina sempre più su misura per il paziente, aiutando a prevedere con maggiore precisione l’evoluzione delle malattie, a interpretare meglio i dati provenienti da studi clinici longitudinali, eliminando distorsioni dei risultati causate da informazioni mancanti o frammentarie.
Attuale posizione lavorativa post-dottorato
Assegnista di ricerca presso il Dipartimento di Scienze Economico-Sociali e Matematico-Statistiche dell’Università di Torino con un progetto su modelli mistura Bayesiani per il rilevamento di comunità su reti.
Daniela Conticelli
Titoli di studio
Maturità Scientifica, conseguita nel 2014.
Laurea triennale in Biotecnologie conseguita presso l’Università di Torino nel 2017, con una tesi sul ruolo della via di segnalazione di PI3K nella patogenesi dei tumori solidi umani e sulle strategie terapeutiche mirate alla sua inibizione.
Laurea Magistrale in Biotecnologie Mediche conseguita presso l’Università di Torino nel 2019, con una tesi sperimentale sulla valutazione di trattamenti mirati contro il recettore EGFR in modelli preclinici di carcinoma gastrico.
Dottorato di Ricerca in Medicina Molecolare, conseguito presso l’Università di Torino nel 2024.
Titolo della tesi di Dottorato
Syngeneic Mouse Models of Gastric Cancer with Microsatellite Instability(Modelli murini singenici di carcinoma gastrico con instabilità dei microsatelliti)
Riassunto divulgativo della tesi
Il carcinoma gastrico è tra i tumori più diffusi e letali al mondo, con oltre un milione di nuovi casi ogni anno. Circa un quarto dei pazienti presenta la cosiddetta “instabilità dei microsatelliti” (MSI), un problema nella riparazione del DNA che causa l’accumulo di mutazioni. Queste rendono il tumore più visibile al sistema immune, migliorando la prognosi e la risposta all’immunoterapia. Sebbene quindi molti tumori gastrici MSI beneficino dei trattamenti immunoterapici, molti casi risultano resistenti, rendendo necessario sviluppare modelli sperimentali adeguati a studiarne le caratteristiche molecolari e migliorare le prospettive terapeutiche.
Il progetto di dottorato ha avuto l’obiettivo di creare nuovi modelli sperimentali di carcinoma gastrico del tipo MSI. A partire da mucosa normale di stomaco murino, sono stati generati organoidi coltivabili in laboratorio, che sono stati quindi sottoposti a ingegneria genetica tramite l’utilizzo della tecnologia CRISPR/Cas9 per renderli MSI. I modelli sono stati quindi caratterizzati in coltura, per verificare l’effettiva acquisizione delle caratteristiche molecolari dei tumori umani MSI, e testati per la capacità di formare masse tumorali in modelli murini.
I nuovi modelli di carcinoma gastrico MSI hanno mostrato instabilità genetica e capacità tumorigenica. I tumori generati riproducono le principali caratteristiche molecolari dei corrispettivi umani. La possibilità di ottenere masse tumorali in topi con sistema immunitario completo rende questi modelli adatti a studiare i meccanismi con cui il tumore elude la risposta immunitaria e reagisce ai trattamenti immunoterapici.
Questi modelli costituiscono una risorsa preziosa per approfondire i meccanismi di resistenza e le vulnerabilità del carcinoma gastrico MSI, con l’obiettivo di favorire lo sviluppo di strategie terapeutiche più efficaci per i pazienti.
Attuale posizione lavorativa post-dottorato
Attualmente svolgo la mia attività di ricerca presso l’Istituto di Candiolo (Torino, Italia) come ricercatrice post-dottorato, sostenuta da una borsa triennale dell’Associazione Italiana per la Ricerca sul Cancro (AIRC). Il mio attuale progetto mira a identificare biomarcatori predittivi di risposta all’immunoterapia tramite lo studio dei modelli di carcinoma gastrico sviluppati durante il dottorato.
Chiara Moccia
Titoli di studio
Maturità Scientifica conseguita nel 2011
Laurea triennale in Ingegneria Biomedica conseguita presso l’Università di Padova, nel 2015, con una tesi su aspetti tecnici per l’ottimizzazione dell’utilizzo dell’elettrocardiografo
Laurea Specialistica in Ingegneria Biomedica conseguita presso il Politecnico di Torino, nel 2018, con una tesi su un metodo per l’acquisizione del segnale elettroencefalografico e la rimozione degli artefatti per l’individuazione dei “potenziali di prontezza”.
Dottorato di ricerca in Fisiopatologia Medica, conseguita presso l’Università di Torino, nel 2024.
Titolo della tesi di Dottorato
Methods for Machine Learning and Causal Inference in Medicine
(Metodi di machine learning e analisi causa-effetto in medicina)
Riassunto divulgativo della tesi
L’aumento della disponibilità di dati biomedici offre nuove opportunità per migliorare diagnosi e prevenzione, ma introduce anche sfide metodologiche. Nell’ambito dell’intelligenza artificiale, le tecniche di machine learning (ML, apprendimento automatico) eccellono nella previsione, ma non sono progettate per identificare relazioni di causa-effetto, essenziali per capire quali fattori influenzano la salute delle persone. Superare questo limite è essenziale per rendere l’intelligenza artificiale uno strumento pienamente integrato nella ricerca epidemiologica e biomedica.
La tesi combina il ML con l’inferenza causale per ottenere modelli capaci sia di fare previsioni precise sia di spiegare le relazioni di causa/effetto in modo affidabile.
Il ML è stato utilizzato dapprima in ambito dermatologico, per sviluppare modelli predittivi di supporto alle decisioni cliniche. Sono quindi stati condotti studi di inferenza causale in vari ambiti, dall’effetto delle condizioni socioeconomiche sui fattori ambientali a cui i bambini sono esposti durante la crescita all’impatto dell’assunzione di paracetamolo in gravidanza sui disturbi respiratori nei bambini, cercando di comprendere in che modo questi fattori influenzino la salute infantile. È stato infine condotto uno studio teorico per chiarire come e perché integrare il ML in particolari modelli statistici per l’inferenza causale detti “stimatori doppiamente robusti”, illustrandone il funzionamento e i vantaggi per l’epidemiologia moderna.
I risultati confermano il potenziale dell’intelligenza artificiale nel migliorare la diagnosi clinica e nell’aumentare l’affidabilità delle stime causali. L’integrazione tra metodi predittivi e inferenziali apre la strada a strumenti analitici più flessibili, interpretabili e applicabili alla medicina di precisione e alla salute pubblica.
Attuale posizione lavorativa post-dottorato
Attualmente continuo a mantenere collaborazioni di ricerca in epidemiologia e sono insegnante di Matematica presso l’Istituto Tecnico Giulio Cesare, Bari, Italia. Dopo il dottorato, mi dedico all’insegnamento delle discipline matematiche agli studenti delle scuole superiori, promuovendo competenze logiche, analitiche e di problem solving.
Corrado Pancotti
Titoli di studio
Maturità Classica conseguita nel 2014
Laurea triennale in Fisica conseguita presso l’Università di Padova nel 2018, con una tesi sul ruolo della sequenza amminoacidica nella separazione di fase di proteine intrinsecamente disordinate
Laurea Specialistica in Fisica conseguita presso l’Università di Torino, nel 2020, con una tesi sui metodi di machine learning per la predizione di cambiamenti di stabilità nelle proteine
Dottorato di ricerca in Complex Systems for Quantitative Biomedicine, conseguito presso l’Università di Torino nel 2024.
Titolo della tesi di DottoratoExploiting Machine Learning in Complex Biological Systems: Insights into Protein Stability Prediction and Mutational Signatures Analysis
(Utilizzo dell’Intelligenza Artificiale in sistemi biologici complessi: applicazioni alla predizione di cambiamenti di stabilità delle proteine e all’analisi di firme mutazionali)
Riassunto divulgativo della tesi
La tesi esplora come le tecniche di Machine Learning possano aiutare a capire meglio il cancro, concentrandosi su due temi principali.
Il primo riguarda le mutazioni non sinonime, cioè quei cambiamenti nel DNA che modificano la struttura delle proteine prodotte, influenzando la loro funzione. Queste alterazioni possono causare malattie, incluso il cancro, perché alcune proteine diventano troppo attive, spingendo le cellule a dividersi senza controllo, o troppo inattive, perdendo la capacità di frenare questa crescita. Per analizzare questi effetti, la tesi presenta strumenti basati su modelli di intelligenza artificiale appositamente sviluppati per prevedere come le mutazioni influenzano la stabilità e la forma delle proteine, rispettando leggi fisiche fondamentali.
Il secondo tema riguarda le cosiddette “firme mutazionali”, ovvero tipologie specifiche di mutazioni legate a cause note come il fumo o l’esposizione ai raggi UV. Qui sono introdotti metodi innovativi basati su reti neurali, come MUSE-XAE, che migliorano la capacità di riconoscere queste firme e di classificare i tumori con maggiore precisione. Infine, si presenta Hist2Sig, un modello innovativo che analizza immagini istologiche di tessuti tumorali per prevedere direttamente le firme mutazionali senza dover sequenziare il DNA. Questo approccio potrebbe rivoluzionare la diagnosi del cancro, rendendola più veloce, meno costosa e meno invasiva.
Nell’insieme, gli strumenti di intelligenza artificiale qui descritti aprono la strada a terapie sempre più personalizzate, rendendo possibile un approccio mirato e tempestivo per ciascun paziente, con un impatto potenzialmente trasformativo sulla pratica clinica e sulla ricerca oncologica.
Attuale posizione lavorativa post-dottorato
Consulente di intelligenza artificiale nella ricerca sanitaria presso Helmholtz AI Center, Monaco di Baviera.
Valeria Vasciaveo
Titoli di studio
Maturità Scientifica conseguita nell’anno 2012.
Laurea triennale in Biotecnologie conseguita presso l’Università di Torino, nell’anno 2015, con una tesi sul ruolo della proteina Uch-L1 nella malattia di Alzheimer e come questa proteina possa migliorare la memoria e ripristinare la funzione sinaptica.
Laurea Specialistica in Biotecnologie Molecolari conseguita presso l’Università di Torino, nell’anno 2018, con una tesi sullo studio del legame tra danno vascolare e malattia di Alzheimer, mostrando come la proteina Uch-L1 svolga un ruolo chiave nella protezione dei neuroni e possa rappresentare un potenziale bersaglio per nuove strategie terapeutiche.
Dottorato di ricerca in Medicina e Terapia Sperimentale, conseguita presso l’Università di Torino, nel 2024.
Titolo della tesi di DottoratoSleep fragmentation accelerates Alzheimer’s disease pathology in 5xFAD mouse model and affects memory consolidation in young wild-type mice through glymphatic system alteration.
(La frammentazione del sonno accelera l’Alzheimer in un modello murino predisposto, e riduce il consolidamento della memoria in topi normali giovani alterando il sistema glinfatico.)
Riassunto divulgativo della tesi
A causa di una società sempre più frenetica, i disturbi del sonno stanno assumendo un ruolo centrale nella nostra vita e sono considerati fattori di rischio per malattie neurodegenerative. In particolare, i malati di Alzheimer presentano un sonno frammentato già nelle fasi di lieve deterioramento cognitivo. In questo studio abbiamo sviluppato un modello murino per analizzare gli effetti della frammentazione del sonno, condizione che impedisce di raggiungere la fase NREM, cruciale per eliminare gli scarti cerebrali tramite il sistema glinfatico, una rete di drenaggio del cervello e midollo spinale. Negli animali modello di Alzheimer, la frammentazione del sonno aggrava la patologia, con un aumento di proteine tossiche come β-amiloide e tau e una maggiore neuroinfiammazione, accompagnati da deterioramento cognitivo. Inoltre, il cervello tenta di compensare la ridotta eliminazione di queste proteine aumentando i livelli di aquaporina-4, un canale coinvolto nell’attività del sistema glinfatico. Questo meccanismo risulta però inefficace in assenza di sonno profondo. Sorprendentemente, nei topi giovani sani, la frammentazione del sonno compromette il consolidamento della memoria.
Questi risultati mostrano che la frammentazione del sonno accelera la progressione della malattia e può indurre deficit cognitivi anche in soggetti sani. Comprendere come il sonno favorisca la pulizia del cervello apre la strada a strategie preventive per preservare la memoria e ridurre il rischio di malattie neurodegenerative.
Attuale posizione lavorativa post-dottorato
Attualmente svolgo il postdoc al Feinstein Institutes for Medical Research (Northwell Health, NY, USA), dove studio nuovi bersagli terapeutici per rallentare la malattia di Alzheimer. Il mio lavoro si concentra su strategie capaci di ridurre la neuroinfiammazione e al tempo stesso favorire la degradazione della proteina tau.